CN113298078A - 设备屏幕碎裂检测模型训练方法及设备屏幕碎裂检测方法 - Google Patents
设备屏幕碎裂检测模型训练方法及设备屏幕碎裂检测方法 Download PDFInfo
- Publication number
- CN113298078A CN113298078A CN202110691669.XA CN202110691669A CN113298078A CN 113298078 A CN113298078 A CN 113298078A CN 202110691669 A CN202110691669 A CN 202110691669A CN 113298078 A CN113298078 A CN 113298078A
- Authority
- CN
- China
- Prior art keywords
- screen
- fragmentation
- detection model
- image
- equipment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013467 fragmentation Methods 0.000 title claims abstract description 231
- 238000006062 fragmentation reaction Methods 0.000 title claims abstract description 231
- 238000001514 detection method Methods 0.000 title claims abstract description 210
- 238000012549 training Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000002372 labelling Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000013499 data model Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 12
- 238000011084 recovery Methods 0.000 description 8
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种设备屏幕碎裂检测模型训练方法及设备屏幕碎裂检测方法，在获取到智能设备的屏幕外观图像后，通过确定屏幕外观图像的碎裂区域，并对碎裂区域进行标注，获得屏幕外观训练集。最后，根据屏幕外观训练集优化预设深度模型，获得用于检测设备屏幕碎裂的屏幕碎裂检测模型。基于此，在完成屏幕碎裂检测模型后，可通过屏幕碎裂检测模型高效检测智能设备的屏幕碎裂状态，在降低检测工作量的同时，保证屏幕碎裂检测的准确率和稳定性。同时，屏幕碎裂检测模型也可根据作为历史数据的屏幕外观图像在进行不断优化，持续提高基于屏幕碎裂检测模型进行屏幕碎裂检测的准确率。
Description
技术领域
本发明涉及电子产品技术领域，特别是涉及一种设备屏幕碎裂检测模型训练方法及设备屏幕碎裂检测方法。
背景技术
随着电子产品技术的发展，各种智能设备层出不穷，例如智能手机、笔记本电脑和平板电脑等。目前，伴随着经济和技术的高速发展，智能设备的普及和更新换代速度也越来越快。以智能手机为例，5G时代的到来，加速了智能手机的换代。在智能设备进行迭代的过程中，有效回收是智能设备剩余价值的有效利用手段之一，可减少对环境的化学污染以及减少浪费。
在智能设备的回收过程中，智能设备的屏幕损耗对智能设备的回收估价有较大影响。一般地，主要通过观察智能设备的屏幕是否有异常来确定整体屏幕损耗，例如划痕或碎裂等类别的屏幕损耗来评估智能设备的整体损耗，为智能设备的回收估价提供部分有效的参考。
传统的针对智能设备的屏幕碎裂的观察方式主要是通过人工观察，确定屏幕是否碎裂。然而，人工观察的方式费时费力，且很难保证对屏幕碎裂检测的准确性和稳定性。
发明内容
基于此，有必要针对人工观察智能设备屏幕碎裂的方式费时费力，且很难保证对屏幕碎裂检测的准确性和稳定性这一不足，提供一种设备屏幕碎裂检测模型训练方法及设备屏幕碎裂检测方法。
一种设备屏幕碎裂检测模型训练方法，包括步骤：
获取智能设备的屏幕外观图像；
确定屏幕外观图像的碎裂区域，并对碎裂区域进行标注，获得屏幕外观训练集；
根据屏幕外观训练集优化预设深度模型，获得用于检测设备屏幕碎裂的屏幕碎裂检测模型。
上述的设备屏幕碎裂检测模型训练方法，在获取到智能设备的屏幕外观图像后，通过确定屏幕外观图像的碎裂区域，并对碎裂区域进行标注，获得屏幕外观训练集。最后，根据屏幕外观训练集优化预设深度模型，获得用于检测设备屏幕碎裂的屏幕碎裂检测模型。基于此，在完成屏幕碎裂检测模型后，可通过屏幕碎裂检测模型高效检测智能设备的屏幕碎裂状态，在降低检测工作量的同时，保证屏幕碎裂检测的准确率和稳定性。同时，屏幕碎裂检测模型也可根据作为历史数据的屏幕外观图像在进行不断优化，持续提高基于屏幕碎裂检测模型进行屏幕碎裂检测的准确率。
在其中一个实施例中，在确定屏幕外观图像的碎裂区域，并对碎裂区域进行标注，获得屏幕外观训练集的过程之前，还包括步骤：
对屏幕外观图像进行图像预处理。
在其中一个实施例中，根据屏幕外观训练集优化预设深度模型，获得用于检测设备屏幕碎裂的屏幕碎裂检测模型的过程，包括步骤：
根据屏幕外观训练集优化部署在云端服务器中的预设深度模型，获得用于检测设备屏幕碎裂的屏幕碎裂检测模型。
在其中一个实施例中，预设深度模型包括基于卷积神经网络的数据模型。
在其中一个实施例中，根据屏幕外观训练集优化预设深度模型的过程，包括步骤：
将屏幕外观训练集输入预设深度模型，以使预设深度模型根据屏幕外观训练集执行多次训练。
一种设备屏幕碎裂检测模型训练装置，包括：
第一图像获取模块，用于获取智能设备的屏幕外观图像；
训练集确定模块，用于确定屏幕外观图像的碎裂区域，并对碎裂区域进行标注，获得屏幕外观训练集；
模型训练模块，用于根据屏幕外观训练集优化预设深度模型，获得用于检测设备屏幕碎裂的屏幕碎裂检测模型。
上述的设备屏幕碎裂检测模型训练装置，在获取到智能设备的屏幕外观图像后，通过确定屏幕外观图像的碎裂区域，并对碎裂区域进行标注，获得屏幕外观训练集。最后，根据屏幕外观训练集优化预设深度模型，获得用于检测设备屏幕碎裂的屏幕碎裂检测模型。基于此，在完成屏幕碎裂检测模型后，可通过屏幕碎裂检测模型高效检测智能设备的屏幕碎裂状态，在降低检测工作量的同时，保证屏幕碎裂检测的准确率和稳定性。同时，屏幕碎裂检测模型也可根据作为历史数据的屏幕外观图像在进行不断优化，持续提高基于屏幕碎裂检测模型进行屏幕碎裂检测的准确率。
一种计算机存储介质，其上存储有计算机指令，计算机指令被处理器执行时实现上述任一实施例的设备屏幕碎裂检测模型训练方法。
上述的计算机存储介质，在获取到智能设备的屏幕外观图像后，通过确定屏幕外观图像的碎裂区域，并对碎裂区域进行标注，获得屏幕外观训练集。最后，根据屏幕外观训练集优化预设深度模型，获得用于检测设备屏幕碎裂的屏幕碎裂检测模型。基于此，在完成屏幕碎裂检测模型后，可通过屏幕碎裂检测模型高效检测智能设备的屏幕碎裂状态，在降低检测工作量的同时，保证屏幕碎裂检测的准确率和稳定性。同时，屏幕碎裂检测模型也可根据作为历史数据的屏幕外观图像在进行不断优化，持续提高基于屏幕碎裂检测模型进行屏幕碎裂检测的准确率。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述任一实施例的设备屏幕碎裂检测模型训练方法。
上述的计算机设备，在获取到智能设备的屏幕外观图像后，通过确定屏幕外观图像的碎裂区域，并对碎裂区域进行标注，获得屏幕外观训练集。最后，根据屏幕外观训练集优化预设深度模型，获得用于检测设备屏幕碎裂的屏幕碎裂检测模型。基于此，在完成屏幕碎裂检测模型后，可通过屏幕碎裂检测模型高效检测智能设备的屏幕碎裂状态，在降低检测工作量的同时，保证屏幕碎裂检测的准确率和稳定性。同时，屏幕碎裂检测模型也可根据作为历史数据的屏幕外观图像在进行不断优化，持续提高基于屏幕碎裂检测模型进行屏幕碎裂检测的准确率。
一种设备屏幕碎裂检测方法，包括步骤：
获取待测智能设备的设备屏幕图像；
将设备屏幕图像输入屏幕碎裂检测模型，获得用于表征待测智能设备的屏幕碎裂状况的输出结果。
上述的设备屏幕碎裂检测方法，在获取到待测智能设备的设备屏幕图像后，将设备屏幕图像输入屏幕碎裂检测模型，获得用于表征待测智能设备的屏幕碎裂状况的输出结果。基于此，通过屏幕碎裂检测模型高效检测智能设备的屏幕碎裂状态，在降低检测工作量的同时，保证屏幕碎裂检测的准确率和稳定性。同时，屏幕碎裂检测模型也可根据作为历史数据的屏幕外观图像在进行不断优化，持续提高基于屏幕碎裂检测模型进行屏幕碎裂检测的准确率。
在其中一个实施例中，将设备屏幕图像输入屏幕碎裂检测模型，获得用于表征待测智能设备的屏幕碎裂状况的输出结果的过程，包括步骤：
将设备屏幕图像输入屏幕碎裂检测模型作为输入参数，以使屏幕碎裂检测模型根据输入参数执行卷积网络处理，获得作为输出结果的检测向量。
在其中一个实施例中，卷积网络处理包括卷积操作以及池化操作。
一种设备屏幕碎裂检测装置，包括：
第二图像获取模块，用于获取待测智能设备的设备屏幕图像；
模型检测模块，用于将设备屏幕图像输入屏幕碎裂检测模型，获得用于表征待测智能设备的屏幕碎裂状况的输出结果。
上述的设备屏幕碎裂检测装置，在获取到待测智能设备的设备屏幕图像后，将设备屏幕图像输入屏幕碎裂检测模型，获得用于表征待测智能设备的屏幕碎裂状况的输出结果。基于此，通过屏幕碎裂检测模型高效检测智能设备的屏幕碎裂状态，在降低检测工作量的同时，保证屏幕碎裂检测的准确率和稳定性。同时，屏幕碎裂检测模型也可根据作为历史数据的屏幕外观图像在进行不断优化，持续提高基于屏幕碎裂检测模型进行屏幕碎裂检测的准确率。
一种计算机存储介质，其上存储有计算机指令，计算机指令被处理器执行时实现上述任一实施例的设备屏幕碎裂检测方法。
上述的计算机存储介质，在获取到待测智能设备的设备屏幕图像后，将设备屏幕图像输入屏幕碎裂检测模型，获得用于表征待测智能设备的屏幕碎裂状况的输出结果。基于此，通过屏幕碎裂检测模型高效检测智能设备的屏幕碎裂状态，在降低检测工作量的同时，保证屏幕碎裂检测的准确率和稳定性。同时，屏幕碎裂检测模型也可根据作为历史数据的屏幕外观图像在进行不断优化，持续提高基于屏幕碎裂检测模型进行屏幕碎裂检测的准确率。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述任一实施例的设备屏幕碎裂检测方法。
上述的计算机设备，在获取到待测智能设备的设备屏幕图像后，将设备屏幕图像输入屏幕碎裂检测模型，获得用于表征待测智能设备的屏幕碎裂状况的输出结果。基于此，通过屏幕碎裂检测模型高效检测智能设备的屏幕碎裂状态，在降低检测工作量的同时，保证屏幕碎裂检测的准确率和稳定性。同时，屏幕碎裂检测模型也可根据作为历史数据的屏幕外观图像在进行不断优化，持续提高基于屏幕碎裂检测模型进行屏幕碎裂检测的准确率。
附图说明
图1为一实施方式的设备屏幕碎裂检测模型训练方法流程图；
图2为另一实施方式的设备屏幕碎裂检测模型训练方法流程图；
图3为又一实施方式的设备屏幕碎裂检测模型训练方法流程图；
图4为一实施方式的设备屏幕碎裂检测模型训练装置模块结构图；
图5为一实施方式的计算机内部构造示意图；
图6为一实施方式的设备屏幕碎裂检测方法流程图；
图7为另一实施方式的设备屏幕碎裂检测方法流程图；
图8为一实施方式的卷积网络处理示意图；
图9为一实施方式的设备屏幕碎裂检测装置模块结构图；
图10为另一实施方式的计算机内部构造示意图。
具体实施方式
为了更好地理解本发明的目的、技术方案以及技术效果，以下结合附图和实施例对本发明进行进一步的讲解说明。同时声明，以下所描述的实施例仅用于解释本发明，并不用于限定本发明。
本发明实施例提供了一种设备屏幕碎裂检测模型训练方法。
图1为一实施方式的设备屏幕碎裂检测模型训练方法流程图，如图1所示，一实施方式的设备屏幕碎裂检测模型训练方法包括步骤S100至步骤S102：
S100，获取智能设备的屏幕外观图像；
通过拍摄智能设备，获得智能设备的外观图像。其中，外观图像中的屏幕区域部分包括智能设备的屏幕外观图像。在其中一个实施例中，通过控制拍摄角度和拍摄范围，提高外观图像内屏幕区域的占比，降低屏幕外观图像的干扰信息。
其中，在智能设备的回收过程中，可通过自助终端或回收机器对智能设备进行回收检测。自助终端或回收机器可通过有线连接或无线连接的方式与智能设备建立数据连接，获取智能设备的相应数据或向智能设备传输相应数据。同时，自助终端或回收机器内设置有用于拍摄智能设备的摄像设备。摄像设备完成拍摄后获得包括屏幕外观图像的摄像数据。由自助终端或回收机器作为执行主体完成一实施方式的设备屏幕碎裂检测模型训练方法的执行，或，将摄像数据传输至云端服务器，由云端服务器作为执行主体完成一实施方式的设备屏幕碎裂检测模型训练方法的执行。
在其中一个实施例中，图2为另一实施方式的设备屏幕碎裂检测模型训练方法流程图，如图2所示，在步骤S101中在确定屏幕外观图像的碎裂区域，并对碎裂区域进行标注，获得屏幕外观训练集的过程之前，还包括步骤S200：
S200，对屏幕外观图像进行图像预处理。
通过对屏幕外观图像进行图像预处理，降低屏幕外观图像的干扰信息，保证屏幕外观图像进行碎裂区域的标注精确，提高后续屏幕外观训练集的参考价值。在其中一个实施例中，图像预处理包括样本增强处理或者图像二值化。作为一个较优的实施方式，图像预处理选用样本增强处理。通过左右翻转、上下翻转、模糊和亮度调节等样本增强处理方式，增加样本的多样性，以提高后续屏幕外观训练集的多样性。
S101，确定屏幕外观图像的碎裂区域，并对碎裂区域进行标注，获得屏幕外观训练集；
在其中一个实施例中，可通过图像识别算法识别确定屏幕外观图像的碎裂区域，将碎裂区域进行标注，作为标签，进行训练集训练。作为一个较优的实施方式，标签包括区域碎裂一个类别。相关管理人员可根据预设深度模型的训练要求，调整标签包括的类别，丰富碎裂区域的标注信息。
S102，根据屏幕外观训练集优化预设深度模型，获得用于检测设备屏幕碎裂的屏幕碎裂检测模型。
其中，预设深度模型可预先部署，设置初步的模型参数和计算参数。由屏幕外观训练集作为输入参数，执行优化计算，获得用于检测设备屏幕碎裂的屏幕碎裂检测模型。
在其中一个实施例中，预设深度模型可预先部署在云端服务器上，将屏幕外观训练集向云端服务器完成发送，在云端服务器完成预设深度模型的优化。基于此，如图2所示，步骤S102中根据屏幕外观训练集优化预设深度模型，获得用于检测设备屏幕碎裂的屏幕碎裂检测模型的过程，包括步骤S201：
S201，根据屏幕外观训练集优化部署在云端服务器中的预设深度模型，获得用于检测设备屏幕碎裂的屏幕碎裂检测模型。
在其中一个实施例中，预设深度模型包括神经网络模型或人工学习模型。作为一个较优的实施方式，预设深度模型包括基于卷积神经网络的数据模型。
在其中一个实施例中，图3为又一实施方式的设备屏幕碎裂检测模型训练方法流程图，如图3所示，步骤S102中根据屏幕外观训练集优化预设深度模型，获得用于检测设备屏幕碎裂的屏幕碎裂检测模型的过程，包括步骤S300：
S300，将屏幕外观训练集输入预设深度模型，以使预设深度模型根据屏幕外观训练集执行多次训练。
在云端服务器上，将屏幕外观训练集输入预设深度模型，实现基于预设深度模型的屏幕碎裂检测模型的执行完成。
上述任一实施例的设备屏幕碎裂检测模型训练方法，在获取到智能设备的屏幕外观图像后，通过确定屏幕外观图像的碎裂区域，并对碎裂区域进行标注，获得屏幕外观训练集。最后，根据屏幕外观训练集优化预设深度模型，获得用于检测设备屏幕碎裂的屏幕碎裂检测模型。基于此，在完成屏幕碎裂检测模型后，可通过屏幕碎裂检测模型高效检测智能设备的屏幕碎裂状态，在降低检测工作量的同时，保证屏幕碎裂检测的准确率和稳定性。同时，屏幕碎裂检测模型也可根据作为历史数据的屏幕外观图像在进行不断优化，持续提高基于屏幕碎裂检测模型进行屏幕碎裂检测的准确率。
本发明实施例还提供了一种设备屏幕碎裂检测模型训练装置。
图4为一实施方式的设备屏幕碎裂检测模型训练装置模块结构图，如图4所示，一实施方式的设备屏幕碎裂检测模型训练装置包括模块100、模块101和模块102：
第一图像获取模块100，用于获取智能设备的屏幕外观图像；
训练集确定模块101，用于确定屏幕外观图像的碎裂区域，并对碎裂区域进行标注，获得屏幕外观训练集；
模型训练模块102，用于根据屏幕外观训练集优化预设深度模型，获得用于检测设备屏幕碎裂的屏幕碎裂检测模型。
上述的设备屏幕碎裂检测模型训练装置，在获取到智能设备的屏幕外观图像后，通过确定屏幕外观图像的碎裂区域，并对碎裂区域进行标注，获得屏幕外观训练集。最后，根据屏幕外观训练集优化预设深度模型，获得用于检测设备屏幕碎裂的屏幕碎裂检测模型。基于此，在完成屏幕碎裂检测模型后，可通过屏幕碎裂检测模型高效检测智能设备的屏幕碎裂状态，在降低检测工作量的同时，保证屏幕碎裂检测的准确率和稳定性。同时，屏幕碎裂检测模型也可根据作为历史数据的屏幕外观图像在进行不断优化，持续提高基于屏幕碎裂检测模型进行屏幕碎裂检测的准确率。
本发明实施例还提供了一种计算机存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述任一实施例的设备屏幕碎裂检测模型训练方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、终端、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、RAM、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
与上述的计算机存储介质对应的是，在一个实施例中还提供一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行程序时实现如上述各实施例中的任意一种设备屏幕碎裂检测模型训练方法。
该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种设备屏幕碎裂检测模型训练方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
上述的计算机设备，在获取到智能设备的屏幕外观图像后，通过确定屏幕外观图像的碎裂区域，并对碎裂区域进行标注，获得屏幕外观训练集。最后，根据屏幕外观训练集优化预设深度模型，获得用于检测设备屏幕碎裂的屏幕碎裂检测模型。基于此，在完成屏幕碎裂检测模型后，可通过屏幕碎裂检测模型高效检测智能设备的屏幕碎裂状态，在降低检测工作量的同时，保证屏幕碎裂检测的准确率和稳定性。同时，屏幕碎裂检测模型也可根据作为历史数据的屏幕外观图像在进行不断优化，持续提高基于屏幕碎裂检测模型进行屏幕碎裂检测的准确率。
本发明实施例还提供一种设备屏幕碎裂检测方法。
图6为一实施方式的设备屏幕碎裂检测方法流程图，如图6所示，一实施方式的设备屏幕碎裂检测方法包括步骤S400和步骤S401：
S400，获取待测智能设备的设备屏幕图像；
其中，待测智能设备作为屏幕碎裂的待检测智能设备，拍摄待测智能设备以获取设备屏幕图像。
S401，将设备屏幕图像输入屏幕碎裂检测模型，获得用于表征待测智能设备的屏幕碎裂状况的输出结果。
在其中一个实施例中，图7为另一实施方式的设备屏幕碎裂检测方法流程图，如图7所示，步骤S401中将设备屏幕图像输入屏幕碎裂检测模型，获得用于表征待测智能设备的屏幕碎裂状况的输出结果的过程，包括步骤S500：
S500，将设备屏幕图像输入屏幕碎裂检测模型作为输入参数，以使屏幕碎裂检测模型根据输入参数执行卷积网络处理，获得作为输出结果的检测向量。
其中，另一实施方式的设备屏幕碎裂检测方法中的屏幕碎裂检测模型基于卷积神经网络。图8为一实施方式的卷积网络处理示意图，如图8所示，卷积网络处理包括卷积操作以及池化操作。
如图8所示，卷积网络处理包括：
input:表示输入图像向量(设备屏幕图像)，长度300，宽度300，通道数3，大小300×300×3；
Conv2D1--Conv2D11：均表示二维卷积操作。
Conv2D1：卷积核大小为3×3×64，输出向量大小为300×300×64。
Conv2D2：卷积核大小为3×3×128，输出向量大小为150×150×128。
Conv2D3：卷积核大小为3×3×256，输出向量大小为75×75×256。
Conv2D4：卷积核大小为3×3×512，输出向量大小为19×19×512。
Pool1--Pool4：均表示下采样池化操作，核大小均为2×2，，输出向量大小分别为150×150×64，75×75×128，38×38×256和19×19×512。
Conv2D5：卷积核大小为3×3×1024，输出向量大小为19×19×1024。
Conv2D6：卷积核大小为1×1×1024，输出向量大小为19×19×1024。
Conv2D7：卷积核大小为1×1×256，输出向量大小为19×19×256。
Conv2D8：卷积核大小为3×3×256×512，步长stride为2，填充padding为1，输出向量大小为10×10×512。
Conv2D9：卷积核大小为1×1×512×128，输出向量大小为10×10×128。
Conv2D10：卷积核大小为3×3×128×256，步长stride为2，填充padding为1，输出向量大小为5×5×256。
Conv2D11：卷积核大小为1×1×256×128，输出向量大小为5×5×128。
Conv2D12：卷积核大小为3×3×128×256，步长stride为1，填充padding为0，输出向量大小为3×3×256。
Conv2D13：卷积核大小为1×1×256×128，输出向量大小为3×3×128。
Conv2D14：卷积核大小为3×3×128×256，步长stride为1，填充padding为0，输出向量大小为1×1×256。
Detect：为检测层，输出检测结果向量(输出结果)。
最后，屏幕碎裂检测模型反馈输出结果，输出结果可作为云端服务器的下发结果，便于用户从第三方设备(例如智能手机、电脑)等查看输出结果。
上述任一实施例的设备屏幕碎裂检测方法，在获取到待测智能设备的设备屏幕图像后，将设备屏幕图像输入屏幕碎裂检测模型，获得用于表征待测智能设备的屏幕碎裂状况的输出结果。基于此，通过屏幕碎裂检测模型高效检测智能设备的屏幕碎裂状态，在降低检测工作量的同时，保证屏幕碎裂检测的准确率和稳定性。同时，屏幕碎裂检测模型也可根据作为历史数据的屏幕外观图像在进行不断优化，持续提高基于屏幕碎裂检测模型进行屏幕碎裂检测的准确率。
本发明实施例还提供了一种设备屏幕碎裂检测装置。
图9为一实施方式的设备屏幕碎裂检测装置模块结构图，如图9所示，一实施方式的设备屏幕碎裂检测装置包括模块200和模块201：
第二图像获取模块200，用于获取待测智能设备的设备屏幕图像；
模型检测模块201，用于将设备屏幕图像输入屏幕碎裂检测模型，获得用于表征待测智能设备的屏幕碎裂状况的输出结果。
上述的设备屏幕碎裂检测装置，在获取到待测智能设备的设备屏幕图像后，将设备屏幕图像输入屏幕碎裂检测模型，获得用于表征待测智能设备的屏幕碎裂状况的输出结果。基于此，通过屏幕碎裂检测模型高效检测智能设备的屏幕碎裂状态，在降低检测工作量的同时，保证屏幕碎裂检测的准确率和稳定性。同时，屏幕碎裂检测模型也可根据作为历史数据的屏幕外观图像在进行不断优化，持续提高基于屏幕碎裂检测模型进行屏幕碎裂检测的准确率。
本发明实施例还提供了一种计算机存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述任一实施例的设备屏幕碎裂检测方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、终端、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、RAM、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
与上述的计算机存储介质对应的是，在一个实施例中还提供一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行程序时实现如上述各实施例中的任意一种设备屏幕碎裂检测方法。
该计算机设备可以是终端，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种设备屏幕碎裂检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
上述的计算机设备，在获取到待测智能设备的设备屏幕图像后，将设备屏幕图像输入屏幕碎裂检测模型，获得用于表征待测智能设备的屏幕碎裂状况的输出结果。基于此，通过屏幕碎裂检测模型高效检测智能设备的屏幕碎裂状态，在降低检测工作量的同时，保证屏幕碎裂检测的准确率和稳定性。同时，屏幕碎裂检测模型也可根据作为历史数据的屏幕外观图像在进行不断优化，持续提高基于屏幕碎裂检测模型进行屏幕碎裂检测的准确率。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种设备屏幕碎裂检测模型训练方法，其特征在于，包括步骤：
获取智能设备的屏幕外观图像；
确定所述屏幕外观图像的碎裂区域，并对所述碎裂区域进行标注，获得屏幕外观训练集；
根据所述屏幕外观训练集优化预设深度模型，获得用于检测设备屏幕碎裂的屏幕碎裂检测模型。
2.根据权利要求1所述的设备屏幕碎裂检测模型训练方法，其特征在于，在所述确定所述屏幕外观图像的碎裂区域，并对所述碎裂区域进行标注，获得屏幕外观训练集的过程之前，还包括步骤：
对所述屏幕外观图像进行图像预处理。
3.根据权利要求1所述的设备屏幕碎裂检测模型训练方法，其特征在于，所述根据所述屏幕外观训练集优化预设深度模型，获得用于检测设备屏幕碎裂的屏幕碎裂检测模型的过程，包括步骤：
根据所述屏幕外观训练集优化部署在云端服务器中的预设深度模型，获得用于检测设备屏幕碎裂的屏幕碎裂检测模型。
4.根据权利要求1至3任意一项所述的设备屏幕碎裂检测模型训练方法，其特征在于，所述预设深度模型包括基于卷积神经网络的数据模型。
5.根据权利要求4所述的设备屏幕碎裂检测模型训练方法，其特征在于，所述根据所述屏幕外观训练集优化预设深度模型的过程，包括步骤：
将所述屏幕外观训练集输入所述预设深度模型，以使所述预设深度模型根据所述屏幕外观训练集执行多次训练。
6.一种设备屏幕碎裂检测方法，其特征在于，包括步骤：
获取待测智能设备的设备屏幕图像；
将所述设备屏幕图像输入所述屏幕碎裂检测模型，获得用于表征所述待测智能设备的屏幕碎裂状况的输出结果。
7.根据权利要求6所述的设备屏幕碎裂检测模型训练方法，其特征在于，所述将所述设备屏幕图像输入所述屏幕碎裂检测模型，获得用于表征所述待测智能设备的屏幕碎裂状况的输出结果的过程，包括步骤：
将所述设备屏幕图像输入所述屏幕碎裂检测模型作为输入参数，以使所述屏幕碎裂检测模型根据所述输入参数执行卷积网络处理，获得作为所述输出结果的检测向量。
8.根据权利要求7所述的设备屏幕碎裂检测模型训练方法，其特征在于，所述卷积网络处理包括卷积操作以及池化操作。
9.一种设备屏幕碎裂检测模型训练装置，其特征在于，包括：
第一图像获取模块，用于获取智能设备的屏幕外观图像；
训练集确定模块，用于确定所述屏幕外观图像的碎裂区域，并对所述碎裂区域进行标注，获得屏幕外观训练集；
模型训练模块，用于根据所述屏幕外观训练集优化预设深度模型，获得用于检测设备屏幕碎裂的屏幕碎裂检测模型。
10.一种设备屏幕碎裂检测装置，其特征在于，包括：
第二图像获取模块，用于获取待测智能设备的设备屏幕图像；
模型检测模块，用于将所述设备屏幕图像输入所述屏幕碎裂检测模型，获得用于表征所述待测智能设备的屏幕碎裂状况的输出结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110691669.XA CN113298078A (zh) | 2021-06-22 | 2021-06-22 | 设备屏幕碎裂检测模型训练方法及设备屏幕碎裂检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110691669.XA CN113298078A (zh) | 2021-06-22 | 2021-06-22 | 设备屏幕碎裂检测模型训练方法及设备屏幕碎裂检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113298078A true CN113298078A (zh) | 2021-08-24 |
Family
ID=77329056
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110691669.XA Pending CN113298078A (zh) | 2021-06-22 | 2021-06-22 | 设备屏幕碎裂检测模型训练方法及设备屏幕碎裂检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113298078A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11436570B2 (en) | 2014-10-31 | 2022-09-06 | Ecoatm, Llc | Systems and methods for recycling consumer electronic devices |
| US11922467B2 (en) | 2020-08-17 | 2024-03-05 | ecoATM, Inc. | Evaluating an electronic device using optical character recognition |
| US11989701B2 (en) | 2014-10-03 | 2024-05-21 | Ecoatm, Llc | System for electrically testing mobile devices at a consumer-operated kiosk, and associated devices and methods |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112287734A (zh) * | 2020-02-14 | 2021-01-29 | 京东安联财产保险有限公司 | 碎屏检测及用于碎屏检测的卷积神经网络的训练方法 |
| CN112288074A (zh) * | 2020-08-07 | 2021-01-29 | 京东安联财产保险有限公司 | 图像识别网络生成方法及装置、存储介质及电子设备 |
| CN112287945A (zh) * | 2019-11-14 | 2021-01-29 | 京东安联财产保险有限公司 | 碎屏确定方法、装置、计算机设备及计算机可读存储介质 |
| CN112393880A (zh) * | 2020-12-08 | 2021-02-23 | 广州绿怡信息科技有限公司 | 屏幕更换检测方法及装置 |
| CN112581462A (zh) * | 2020-12-25 | 2021-03-30 | 北京邮电大学 | 工业产品的外观缺陷检测方法、装置及存储介质 |
| CN112614117A (zh) * | 2020-12-28 | 2021-04-06 | 广州绿怡信息科技有限公司 | 设备区域提取模型训练方法、设备区域提取方法及装置 |
| CN112634245A (zh) * | 2020-12-28 | 2021-04-09 | 广州绿怡信息科技有限公司 | 损耗检测模型训练方法、损耗检测方法及装置 |
-
2021
- 2021-06-22 CN CN202110691669.XA patent/CN113298078A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112287945A (zh) * | 2019-11-14 | 2021-01-29 | 京东安联财产保险有限公司 | 碎屏确定方法、装置、计算机设备及计算机可读存储介质 |
| CN112287734A (zh) * | 2020-02-14 | 2021-01-29 | 京东安联财产保险有限公司 | 碎屏检测及用于碎屏检测的卷积神经网络的训练方法 |
| CN112288074A (zh) * | 2020-08-07 | 2021-01-29 | 京东安联财产保险有限公司 | 图像识别网络生成方法及装置、存储介质及电子设备 |
| CN112393880A (zh) * | 2020-12-08 | 2021-02-23 | 广州绿怡信息科技有限公司 | 屏幕更换检测方法及装置 |
| CN112581462A (zh) * | 2020-12-25 | 2021-03-30 | 北京邮电大学 | 工业产品的外观缺陷检测方法、装置及存储介质 |
| CN112614117A (zh) * | 2020-12-28 | 2021-04-06 | 广州绿怡信息科技有限公司 | 设备区域提取模型训练方法、设备区域提取方法及装置 |
| CN112634245A (zh) * | 2020-12-28 | 2021-04-09 | 广州绿怡信息科技有限公司 | 损耗检测模型训练方法、损耗检测方法及装置 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11989701B2 (en) | 2014-10-03 | 2024-05-21 | Ecoatm, Llc | System for electrically testing mobile devices at a consumer-operated kiosk, and associated devices and methods |
| US11436570B2 (en) | 2014-10-31 | 2022-09-06 | Ecoatm, Llc | Systems and methods for recycling consumer electronic devices |
| US11922467B2 (en) | 2020-08-17 | 2024-03-05 | ecoATM, Inc. | Evaluating an electronic device using optical character recognition |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113298078A (zh) | 设备屏幕碎裂检测模型训练方法及设备屏幕碎裂检测方法 | |
| CN108447061B (zh) | 商品信息处理方法、装置、计算机设备和存储介质 | |
| CN109285105B (zh) | 水印检测方法、装置、计算机设备和存储介质 | |
| CN110033018B (zh) | 图形相似度判断方法、装置及计算机可读存储介质 | |
| CN110796082B (zh) | 铭牌文本检测方法、装置、计算机设备和存储介质 | |
| CN110991649A (zh) | 深度学习模型搭建方法、装置、设备和存储介质 | |
| CN114155244B (zh) | 缺陷检测方法、装置、设备及存储介质 | |
| CN107886082B (zh) | 图像中数学公式检测方法、装置、计算机设备及存储介质 | |
| CN109614900B (zh) | 图像检测方法及装置 | |
| CN111401473B (zh) | 基于注意力机制卷积神经网络的红外目标分类方法 | |
| CN111144372A (zh) | 车辆检测方法、装置、计算机设备和存储介质 | |
| CN112308069A (zh) | 一种软件界面的点击测试方法、装置、设备及存储介质 | |
| CN111144398A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
| CN114170435A (zh) | 回收检测的外观影像筛选方法及装置 | |
| CN112614117A (zh) | 设备区域提取模型训练方法、设备区域提取方法及装置 | |
| CN112767354A (zh) | 基于图像分割的缺陷检测方法、装置、设备及存储介质 | |
| CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
| CN114821551A (zh) | 遗留物检测以及模型训练方法、装置和存储介质 | |
| CN114298345A (zh) | 回收估价输出模型训练方法及回收估价输出方法 | |
| CN110781887A (zh) | 车牌螺丝检测方法、装置和计算机设备 | |
| CN116433661B (zh) | 多任务学习的半导体晶圆检测方法、装置、设备及介质 | |
| CN117115823A (zh) | 一种篡改识别方法、装置、计算机设备和存储介质 | |
| CN113032198A (zh) | 硬件检测方法及装置 | |
| CN113034530A (zh) | 手机摆放检测方法及装置 | |
| CN114332016A (zh) | 设备屏幕光斑检测方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |